基于图割与深度学习的心肌超声图像分割方法研究
发布时间：2020-07-24 19:25
【摘要】：心肌梗死(myocardial infarction,MI)是一种严重的心血管疾病,会导致心肌细胞和血管细胞在梗塞附近部位随后死亡,威胁着人类的健康。超声心动图(ultrasound cardiogram)是用来观察心脏动态影像的唯一技术,而且提供了一种非侵入的方式诊断和监测心脏的状况。然而,由于超声(ultrasound,US)成像的一些固有缺陷,例如低对比度、斑点噪声、信号丢失及声影,导致心肌组织难以与背景区分。而心肌的分割与评估是心肌形态与功能研究的关键。因此,研究心肌超声(myocardium ultrasound,MUS)图像准确有效的分割算法既很有价值又很有挑战。医学US图像分割的常用方法可分为七大类:基于阈值、基于聚类、基于分水岭、基于图、基于主动轮廓模型、基于马尔科夫随机场以及基于神经网络的分割方法。其中神经网络或深度学习是近年来一项热门的研究课题,一些学者研究基于神经网络的语义分割方法,也有学者研究结合先验信息和直觉感受的传统机器学习方法。为了较好地提取整个心肌组织,本文分别研究了基于超像素和邻域块特征结合的连续图割方法和基于VGG16-UNet的深度学习方法。基于超像素和邻域块特征结合的连续图割方法(fast Superpixels and Neighborhood Patches based Continuous Min-Cut,fSP-CMC)由以下五部分组成:(1)图割模型的图构建,(2)超像素和邻域块的特征提取,(3)新的相似性度量的定义,(4)交互式标记的设置,以及(5)连续图割模型的求解。将US图像构建成图,其依赖于超像素和邻域块的特征提取。通过皮尔森距离和皮尔森相关系数的结合定义一种新的相似性度量,以捕获和增强特征之间的相关性,进一步提高分割性能。而用户提供的交互式标记在半监督分割中起辅助作用,以弥补US图像质量的不足,提高分割的精度。然后通过基于增广拉格朗日和算子分裂的快速最小化算法求解连续图割模型。与基于邻域块特征的连续图割方法(fast Neighborhood Patches based Continuous Min-Cut,fP-CMC)的对比实验结果显示,fSP-CMC的 Dice、Precision和 Sensitivity值基本高于fP-CMC,表明fSP-CMC的分割结果优于fP-CMC的分割结果。基于VGG16-UNet的深度学习方法将在ImageNet上预训练好的VGG16模型学到的特征表示迁移到U-Net模型中,在自己的训练集上接着微调训练。由于预训练模型VGG16是针对三通道的分类模型,所以需将输入通道数改为1,并移除全连接层,然后用它替换U-Net的编码器部分,以将特征进行迁移。而U-Net的解码器部分利用反卷积层对特征图进行上采样,将其逐层还原至原尺寸,从而实现图像像素级的分类,即单幅图像的分割。在上采样过程中,通过跳跃连接(skip connection)逐层进行深层特征与浅层特征的融合,以进一步提高图像分割的精度。因训练数据过少,因此对其在线扩增10倍,对模型的评估则使用十折交叉验证方法。与U-Net的对比实验结果显示,VGG16-UNet的Dice、Precision和Sensitivity值基本高于U-Net,表明VGG16-UNet的分割结果优于U-Net的分割结果。然而与fSP-CMC的分割结果比较,VGG16-UNet的分割精度及鲁棒性仍不够高。其与训练数据数量有关,仍不足以抓取常见的US图像伪影。同时也与分割网络有关,仍有很大的改进空间去适应US图像的固有缺陷。总体上看,两种方法都取得了较好的分割结果。fSP-CMC分割MUS图像的精度要更高,不过目前仍限于静态分割。而VGG16-UNet可满足超声心动图的动态分割,但分割精度及鲁棒性仍不够高。未来的研究计划之一是将深度学习方法与fSP-CMC方法结合,运用深度学习方法获得初始的粗略轮廓,近似估计其附近的两条边界作为交互式标记,再运用fSP-CMC方法进行分割优化,有望将fSP-CMC转化为自动分割方法。其中深度学习方法的分割步骤仍起着关键作用,今后的另一研究计划是在增加训练数据量的同时,改进分割模型的网络结构以进一步提升MUS图像的分割精度及鲁棒性。
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.1;TP391.41
【图文】：
并通过该平台维持其体温。使用用于小动物实验的超高分辨率的ＵＳ成像逡逑系统（Ｖｅｖｏ２１００，Ｖｉｓｕａｌ邋Ｓｏｎｉｅｓ，Ｃａｎａｄａ）扫描大鼠的心脏。通过脱毛膏除去成逡逑像目标区域的毛发。如图３－１所示，使用ＭＳ－２５０探头，发射频率为２１邋ＭＨｚ，逡逑扫描其左心室的胸骨旁长轴（ＰＬＡＸ）和胸骨旁短轴（ＰＳＡＸ）切面。成像系统逡逑的分辨率为７０叫１。图像采集的物理尺寸为深度２１．００ｍｍ，宽度１８．０４邋ｍｍ。采逡逑１２逡逑
逑３．３本章研宄方法逡逑图３－２展示了本章研究方法的流程图，包括提出的於Ｐ－ＣＭＣ分割方法，其逡逑包含（１）图割模型的图构建，（２）超像素和邻域块的特征提取，（３）新的相似逡逑性度量的定义，（４）交互式标记的设置，以及（５）连续图割模型的求解。逡逑（ＪＰｆｅ邋）逦Ｉ逦；逡逑＇邋ｒ邋Ｉ逦，！逡逑丨邋心肌超声图像邋７邋Ｉ逦３．３．２．超像素特征提取逡逑｜逦１逦粗特征逡逑３．３．１．阁割模艰的阁构建——Ｉ邋３．３．２．邻域块特征提取逡逑Ｉ邋逦邋细特征逡逑３．３．３．新的相似性度f埖亩ㄒ澹浚煎五义希慑邋五五澹剩樱校茫停缅义希椋″义希常常担几钏笮偷那蠼忮危常常矗煌呤奖辏椋涞纳柚缅义希有「铄危湾义襄五五澹五义希常矗澹危眨遥拢忧吣夂虾蟠礤义襄
本文编号：2769280
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.1;TP391.41
【图文】：
并通过该平台维持其体温。使用用于小动物实验的超高分辨率的ＵＳ成像逡逑系统（Ｖｅｖｏ２１００，Ｖｉｓｕａｌ邋Ｓｏｎｉｅｓ，Ｃａｎａｄａ）扫描大鼠的心脏。通过脱毛膏除去成逡逑像目标区域的毛发。如图３－１所示，使用ＭＳ－２５０探头，发射频率为２１邋ＭＨｚ，逡逑扫描其左心室的胸骨旁长轴（ＰＬＡＸ）和胸骨旁短轴（ＰＳＡＸ）切面。成像系统逡逑的分辨率为７０叫１。图像采集的物理尺寸为深度２１．００ｍｍ，宽度１８．０４邋ｍｍ。采逡逑１２逡逑
逑３．３本章研宄方法逡逑图３－２展示了本章研究方法的流程图，包括提出的於Ｐ－ＣＭＣ分割方法，其逡逑包含（１）图割模型的图构建，（２）超像素和邻域块的特征提取，（３）新的相似逡逑性度量的定义，（４）交互式标记的设置，以及（５）连续图割模型的求解。逡逑（ＪＰｆｅ邋）逦Ｉ逦；逡逑＇邋ｒ邋Ｉ逦，！逡逑丨邋心肌超声图像邋７邋Ｉ逦３．３．２．超像素特征提取逡逑｜逦１逦粗特征逡逑３．３．１．阁割模艰的阁构建——Ｉ邋３．３．２．邻域块特征提取逡逑Ｉ邋逦邋细特征逡逑３．３．３．新的相似性度f埖亩ㄒ澹浚煎五义希慑邋五五澹剩樱校茫停缅义希椋″义希常常担几钏笮偷那蠼忮危常常矗煌呤奖辏椋涞纳柚缅义希有「铄危湾义襄五五澹五义希常矗澹危眨遥拢忧吣夂虾蟠礤义襄
本文编号：2769280
本文链接：https://www.wllwen.com/linchuangyixuelunwen/2769280.html
最近更新
教材专著
